Trajectory是一种优化算法，在机器学习领域用于预测和优化模型参数的更新路径或梯度方向，尤其在强化学习和联邦学习中展现出显著优势。NVIDIA于2026年8月宣布，使用Trajectory后训练的Nemotron 3.5 Lightning模型在测试中成绩超过了Opus 4.6，显示出该技术在模型优化方面的强大能力。
Trajectory 近期进展
CTP-FL框架利用共同轨迹梯度预测将联邦学习通信效率提升了显著水平，通过优化参数更新路径减少了模型训练过程中的数据传输需求。卫星避障领域采用基于PPO强化学习的轨迹优化方法，在轨道防撞测试中实现了97.5%的成功率，证明了Trajectory技术在安全关键系统中的实用价值。CLIFT项目则采用保形自验证训练方法，通过轨迹分析替代外部裁判，为网页智能体提供了更可靠的自评估机制。
Trajectory 当前焦点与观察点
Trajectory技术正在成为AI模型训练和优化的关键工具，特别是在计算资源有限或需要保护数据隐私的场景下。随着联邦学习和边缘计算的兴起，如何更高效地优化参数更新路径成为研究热点。Trajectory通过预测梯度方向，减少了模型迭代所需的通信轮数，这对资源受限环境尤为重要。同时，在强化学习应用中，轨迹优化算法正被用于解决更复杂的决策问题，如自动驾驶和机器人控制。未来研究可能会聚焦于如何将Trajectory技术与其他优化方法结合，进一步提升模型训练效率和性能表现。